Pengaruh Konfigurasi N-Gram pada Representasi TF-IDF terhadap Performa Klasifikasi Sentimen Ulasan Aplikasi Webtoon

Jhon, Calvin (2026) Pengaruh Konfigurasi N-Gram pada Representasi TF-IDF terhadap Performa Klasifikasi Sentimen Ulasan Aplikasi Webtoon. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (605kB)
	PDF BAB_I.pdf Download (338kB)
	PDF BAB_II.pdf Download (514kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (444kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (117kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (132kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000070300_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Tingginya volume ulasan pengguna aplikasi Webtoon di Google Play Store tidak dapat dianalisis secara manual secara efisien, sehingga diperlukan pendekatan otomatis berbasis machine learning untuk mengklasifikasikan sentimen secara akurat. Penelitian ini bertujuan untuk menganalisis pengaruh konfigurasi n-gram pada representasi TF-IDF terhadap performa klasifikasi sentimen, membandingkan performa tiga algoritma klasifikasi, serta menentukan kombinasi terbaik antara konfigurasi n-gram dan algoritma. Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan 15 skenario yang merupakan kombinasi dari lima konfigurasi n-gram (unigram, bigram, trigram, unigram+bigram, dan unigram+bigram+trigram) serta tiga algoritma klasifikasi (Support Vector Machine, Random Forest, dan XGBoost). Data yang digunakan sebanyak 8.634 ulasan berbahasa Indonesia dari Google Play Store yang telah melalui tahap preprocessing dan pelabelan berdasarkan skor rating. Kualitas label divalidasi menggunakan metode Inter- Annotator Agreement dengan nilai Cohen's Kappa = 0,8607 (Hampir Sempurna), yang mengonfirmasi reliabilitas dataset yang digunakan. Hasil penelitian menunjukkan bahwa konfigurasi unigram serta kombinasi n-gram yang menyertakan unigram secara konsisten menghasilkan performa lebih baik dibandingkan konfigurasi bigram atau trigram murni, yang cenderung menghasilkan fitur yang terlalu sparse untuk ulasan pendek. Kombinasi terbaik diperoleh pada Support Vector Machine (SVM) dengan konfigurasi Unigram+Bigram+Trigram (1,3) dengan accuracy 83,09%, precision 83,01%, recall 83,09%, dan F1-Score 83,05%, yang dikonfirmasi melalui Stratified 5-Fold Cross Validation dengan F1-Score rata-rata 0,8182 (CI 95%: [0,8090­0,8274]). Sebagai pembanding, eksperimen menggunakan IndoBERT menghasilkan F1-Score 0,8695 dengan peningkatan recall kelas negatif yang signifikan (0,90 vs 0,75). Model terbaik diimplementasikan dalam aplikasi web berbasis Streamlit sebagai bentuk penerapan sistem analisis sentimen ulasan aplikasi Webtoon.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Jhon, Calvin (00000070300)
Contributors:	Evelin Johan, Monika
Keywords:	analisis sentimen, klasifikasi teks, n-gram, TF-IDF, Webtoon
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	20 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47763

Actions (login required)

View Item